luokai0 ifly-image-understanding
Analyze images and answer questions about their content using iFlytek's Spark Vision model (图片理解).
Setup
- Create an app at 讯飞控制台 with 图片理解 service enabled
- Set environment variables:
export IFLY_APP_ID="your_app_id" export IFLY_API_KEY="your_api_key" export IFLY_API_SECRET="your_api_secret"
Usage
Describe an image
python3 scripts/image_understanding.py photo.jpg
Ask a question about an image
python3 scripts/image_understanding.py photo.jpg -q "图片里有什么动物？"
Use basic model (lower token cost)
python3 scripts/image_understanding.py photo.jpg --domain general
Options
| Flag | Short | Description |
|---|---|---|
image |
Image file path (.jpg, .jpeg, .png) | |
--question |
-q |
Question about the image (default: describe) |
--domain |
-d |
imagev3 (advanced, default) or general (basic, fixed 273 tokens/image) |
--temperature |
-t |
Sampling temperature (0,1], default 0.5 |
--max-tokens |
Max response tokens 1-8192, default 2048 | |
--raw |
Output raw WebSocket JSON frames |
Examples
# OCR a receipt
python3 scripts/image_understanding.py receipt.png -q "总金额是多少？"
# Identify objects
python3 scripts/image_understanding.py scene.jpg -q "图片中有哪些物体？"
# Low-cost basic model
python3 scripts/image_understanding.py chart.png -q "图表的趋势是什么？" -d general
Notes
- Image formats: .jpg, .jpeg, .png
- Max image size: 4MB
- Max tokens: 8192 (input + output combined)
- Auth: HMAC-SHA256 signed WebSocket URL
- Endpoint:
wss://spark-api.cn-huabei-1.xf-yun.com/v2.1/image - Pure stdlib: No pip dependencies — uses built-in
socket+sslfor WebSocket - Model versions:
imagev3(advanced, dynamic token cost) vsgeneral(basic, fixed 273 tokens/image)
错误码说明 😢
遇到错误先别慌～看看下面找到对应的解决方法吧！✨
| 错误码 | 错误信息 | 解决办法 |
|---|---|---|
| 0 | 🎉 成功 | 恭喜你！请求正常完成啦～ |
| 10003 | 用户的消息格式有错误 | 检查一下你的请求格式是否正确哦～确保发送的是合法的JSON格式呢！ |
| 10004 | 用户数据的schema错误 | 看起来数据结构有点问题～请检查一下字段名称和类型是否正确呀！ |
| 10005 | 用户参数值有错误 | 参数值可能不太对呢～仔细核对一下每个参数的有效范围吧！ |
| 10006 | 用户并发错误：同一用户不能多处同时连接 | 检测到重复连接啦！请确保只有一个客户端在连接同一个用户ID哦～ |
| 10013 | 用户问题涉及敏感信息，审核不通过 | 哎呀，你的问题可能包含了一些不太合适的内容～换个问题试试看吧！ |
| 10022 | 模型生产的图片涉及敏感信息，审核不通过 | 生成的图片没有通过审核呢...很抱歉，换张图片再试一下吧！ |
| 10029 | 图片任何一边的长度超过12800 | 图片尺寸太大啦！请确保图片宽高都不超过12800像素哦～ |
| 10041 | 图片分辨率不符合要求 | 图片尺寸不合适的呢～要求是：50×50 < 图片总像素值 < 6000×6000 哦！ |
| 10907 | Token数量超过上限 | 内容太丰富啦！对话历史+问题的字数太多，需要精简一下输入哦～ |
💡 小贴士：如果还有其他问题，可以查看官方文档或者联系技术支持哦！
常见问题 🤔
图片理解的主要功能是什么呀？🐱
答：用户输入一张图片和问题，从而识别出图片中的对象、场景等信息，然后回答你的问题～是不是很方便呢！✨
图片理解支持什么应用平台呢？📱
答：目前支持 Web API 应用平台哦！直接在代码里调用就可以啦～
图片理解的文本大小限制多少呀？📝
答：有效内容不能超过 8192 Token 呢～如果超过了就要精简一下输入啦！
更多资源 📚
- 📖 使用文档：https://console.xfyun.cn/services/image
- 🛒 购买套餐：https://console.xfyun.cn/sale/buy?wareId=9046&packageId=9046002&serviceName=%E5%9B%BE%E7%89%87%E7%90%86%E8%A7%A3&businessId=image
有更多问题随时来问我哦～祝你使用愉快！🌸